Обучаемый AI-агент для анализа и разметки строительных PDF — Computer Vision / ML

Разработка обучаемого AI-агента для автоматической разметки строительных PDF

Ищем сильного AI / ML / Computer Vision разработчика для создания MVP обучаемого AI-агента.

- Задача:

Есть массив однотипных строительных технических документов в PDF.

На чертежах необходимо по заданной инструкции определять определённые элементы/места и ставить в них графические маркеры.

Сейчас эту работу делает человек.

Нужно создать AI-систему, которая:
PDF → AI-анализ → определение мест → установка маркеров → готовый PDF → проверка человеком → обучение на исправлениях.**

Telegram-бот будет основным интерфейсом.

- Как должен работать продукт:

Пользователь отправляет PDF в Telegram.

AI:
1. анализирует строительный документ;
2. определяет места, где по инструкции должны находиться маркеры;
3. наносит маркеры;
4. желательно сохраняет confidence и краткое обоснование решений;
5. возвращает готовый PDF.

После этого человек проверяет результат и сообщает AI:
- где установлен лишний маркер;
- где не хватает маркера;
- почему решение неправильное;
- какие решения правильные.

Все исправления должны сохраняться как структурированные обучающие данные / Ground Truth.

- Обязательное требование — обучение

Нужна не просто программа с прописанными координатами и не обычный GPT-бот.

Система должна накапливать проверенные примеры и иметь реальный контур:
AI → результат → Human Review → исправления → Dataset → обучение/адаптация → новая версия AI → Evaluation

Допускается гибрид:
Computer Vision;
multimodal Vision/LLM;
анализ структуры PDF;
OCR;
OpenCV;
object detection / segmentation;
RAG / поиск похожих проверенных случаев;
детерминированные правила.

Предлагаемую архитектуру ждём от исполнителя.

- Важный принцип

Если AI не уверен в решении, желательно не ставить маркер случайно, а передавать случай человеку на проверку.

Качество впоследствии хотим измерять через:
False Positive — лишние маркеры;
False Negative — пропущенные маркеры;
Precision;
Recall;
F1.

- Первый этап — оплачиваемый PoC

Сначала хотим сделать небольшой Proof of Concept.

Мы предоставим:

10–30 реальных строительных PDF;
инструкцию;
примеры правильно размеченных документов.

На первом этапе Telegram можно не делать.

Необходимо доказать работу основной технологии:

input.pdf → AI → marked.pdf

Часть документов будет использоваться как контрольная выборка.

После успешного PoC переходим к полноценному MVP:
AI + Telegram + Human-in-the-Loop + Dataset + обучение + Evaluation.

-  Что важно от разработчика

Желателен реальный опыт в:
Python;
Computer Vision;
ML / Deep Learning;
multimodal AI / Vision;
PDF processing;
OpenCV / PyTorch;
OCR / object detection;
подготовке Dataset;
fine-tuning / retraining;
оценке ML-моделей;
Telegram Bot API;
Docker / Git.

Особенно интересен опыт с техническими чертежами, Document AI, промышленным CV или похожими задачами.

- Что должно остаться у заказчика

После завершения:
весь исходный код;
Git-репозиторий;
Dataset;
prompts / инструкции;
training/evaluation pipeline;
документация;
Docker / инструкция развёртывания.

Не хотим критической зависимости от аккаунтов или инфраструктуры разработчика.

- В отклике обязательно ответьте на 7 вопросов

1. Как бы вы технически решали эту задачу?

2. Как AI будет определять координаты, куда поставить маркер?**

3. Что именно в вашей архитектуре будет обучаться на наших исправлениях?**

4. Как исправления «лишний маркер / пропущенный маркер / причина» будут превращаться в Dataset?**

5. Какие модели / технологии предлагаете использовать и почему?**

6. Есть ли похожие проекты по Computer Vision / Document AI / PDF / ML? Дайте ссылки или описание.**

7. Отдельно укажите:
стоимость и срок PoC;
ориентировочную стоимость и срок полного MVP.

Telegram здесь — интерфейс.

Главная задача проекта — обучаемый AI, который понимает строительный документ, правильно определяет места маркеров и становится точнее на проверенных человеческих исправлениях.